💻 computer science

Learning Cross-Coupled and Regime Dependent Dynamics for Aerial Manipulation

本文提出了一种结构化编码器 - 解码器框架，该框架结合非线性潜在编码器以捕捉跨耦合时间动态，并采用轻量级线性解码器以实现快速、闭式贝叶斯自适应，从而在复杂且随工况变化的操作条件下实现鲁棒且精确的空中操控。

原作者： Rishabh Dev Yadav, Samaksh Ujjawal, Sihao Sun, Spandan Roy, Wei Pan

发布于 2026-05-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Rishabh Dev Yadav, Samaksh Ujjawal, Sihao Sun, Spandan Roy, Wei Pan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一架无人机上安装了一个机械臂。这种“空中操作器”就像一架会飞的起重机。它的工作是抓取物体、移动它们，甚至可能将它们放下。

问题在于，操控一架带有移动机械臂的无人机极其棘手。这就像试图用手平衡一把扫帚，而有人不断往扫帚柄上添加重物并挥舞扫帚柄。其物理原理变得混乱，原因如下：

机械臂移动无人机：当机械臂摆动时，它会改变无人机的重心，导致无人机摇晃。
无人机移动机械臂：无人机螺旋桨产生的气流会冲击机械臂。
负载发生变化：如果无人机放下一个沉重的箱子，它会突然变得轻得多，飞行方式也会随之改变。

传统的计算机模型就像一本僵硬的说明书。当无人机空载且直线飞行时，它们效果很好，但一旦机械臂摆动或箱子被放下，这本说明书就错了。由于模型未考虑到这些突然且混乱的变化，无人机会坠毁或飞行表现不佳。

解决方案：一位“智能副驾驶”

本文作者创建了一个新系统，充当无人机的智能副驾驶。他们不是试图为每种可能的情况编写完美的说明书（这不可能），而是构建了一个能够学习错误并实时修正的系统。

以下是该系统的运作方式，分为三个简单部分：

1. “记忆簿”（编码器）

想象无人机有一本笔记本，记录着过去几秒内发生的一切：机械臂的位置、无人机的移动速度以及感受到的风力。

为什么？ 因为机械臂摆动或风吹向螺旋桨的影响并非瞬间发生；它们存在延迟。
如何运作：系统查看这段“历史”并寻找模式。它会注意到：“哦，每次机械臂向左摆动，两秒后无人机就会向右漂移。”它将这段复杂的歷史转化为计算机能快速理解的简单、紧凑的摘要（即“潜在代码”）。

2. “快速变装师”（线性解码器）

这是实际预测未来的部分。作者将这部分设计得非常简单（从数学上讲，它是“线性”的）。

为什么？ 因为简单的东西速度快。如果系统太复杂，计算时间过长，无人机在做出反应之前就会坠毁。
如何运作：它从“记忆簿”中获取“摘要”，并据此猜测无人机下一个错误会是什么。

3. “信任计”（自适应协方差膨胀）

这是最巧妙的部分。系统不断检查：“我的猜测是否符合现实？”

正常模式：如果无人机平稳飞行且猜测正确，系统会说：“我很自信。我会进行微小、谨慎的调整。”
“哇！”模式：突然，无人机放下一个沉重的箱子。现在的猜测完全错了。系统的“信任计”飙升。它意识到：“我的旧规则不再适用了！”
修正：系统不会惊慌或重新开始，而是立即表示：“好吧，我将更多地信任新数据，而不是旧数据。”它有效地在瞬间“忘记”旧规则并学习新规则。这使得无人机能够立即适应突然的重量变化。

整合在一起：MPC（飞行员）

无人机使用一种称为**模型预测控制（MPC）**的控制系统。将其想象为向前看 10 步的飞行员。

飞行员问道：“如果我此刻向左转，5 秒后我会在哪里？”
“智能副驾驶”（我们刚才描述的系统）插话说：“等等，如果你向左转，机械臂会摆动并将你推向右侧。你需要向左转更多以进行补偿。”
飞行员立即调整计划。

结果

作者在实验室的一架真实无人机上测试了该系统。

测试：他们让无人机以“8"字形飞行，然后突然放下一个重物，并立即切换到不同的飞行路径。
结果：
- 旧模型（僵硬的说明书）在重物放下后变得困惑，飞行表现不佳。
- 他们的新系统注意到了变化，立即更新了“规则”，即使在重量变化和机械臂移动的情况下，也保持了无人机平稳、准确地飞行。

总结

简而言之，这篇论文教会无人机如何成为一位快速学习者。无人机不再依赖一本在情况混乱时就会失效的完美、预先编写的物理教科书，而是使用一个系统，该系统：

记住最近发生的事。
根据该记忆预测无人机的行为。
立即意识到错误，并更新其大脑以匹配新的现实。

这使得无人机能够处理复杂且不断变化的任务——例如搬运和放下重物——而不会坠毁。

技术摘要：学习用于空中操作的交叉耦合与机制依赖动力学

问题陈述

空中操作器将多旋翼飞行器与关节式机械臂相结合，由于强烈的四旋翼 - 机械臂耦合、延迟的空气动力学相互作用以及随机制变化的动态特性，在动力学建模方面面临重大挑战。这些变化源于有效载荷的变化（例如抓取和释放）以及机械臂的重构，导致残差动力学同时具有交叉耦合、历史依赖和非平稳性特征。

现有方法在该领域面临困难：

解析模型往往无法捕捉复杂的惯性与空气动力学耦合。
纯离线学习模型（例如标准深度神经网络 DNN、高斯过程 GP）在部署期间性能会退化，因为它们无法适应由运行机制变化引起的分布偏移。
在线自适应方法通常依赖梯度下降（需要仔细调整且样本效率低下）或全网络重训练（引入计算开销）。此外，许多现有方法未能同时解决强交叉变量耦合和突发的、机制依赖的非平稳性问题。

核心挑战在于建模残差动力学，既要捕捉状态变量间的紧密耦合与时间依赖性，又要实现在不损害实时控制性能的前提下，对未见过的运行条件进行快速、稳定的在线自适应。

方法论

作者提出了一种用于自适应残差动力学学习的结构化编码器 - 解码器框架。该系统将残差动力学 $f_\Delta$ 近似为学习到的潜在特征的线性组合： $f_\Delta(H_k) \approx \Theta z_k$ 。

1. 非线性潜在编码器（离线训练）

编码器 $\phi(\cdot)$ 处理包含近期状态 - 输入轨迹的历史矩阵 $H_k$ 。其设计旨在捕捉问题分析中识别出的两个特定特征：

交叉变量耦合：通过交叉变量注意力块建模，计算时间片段内不同状态和输入通道之间的依赖关系。
时间依赖性：通过时间注意力块建模，捕捉跨时间步的延迟效应（例如空气动力学尾流、执行器动力学）。
架构：编码器使用交替的时间注意力和交叉变量注意力层，随后进行基于注意力的池化和投影网络，以生成紧凑的潜在表示 $z_k \in \mathbb{R}^\ell$ 。该编码器在离线阶段训练，并在部署期间保持固定。

2. 线性潜在解码器（在线自适应）

解码器矩阵 $\Theta$ 将潜在特征映射到残差目标。关键在于，模型关于 $\Theta$ 是参数线性的，从而支持高效的闭式贝叶斯更新。

递归更新：解码器参数在参数空间中利用卡尔曼滤波器进行递归更新。参数演化被建模为随机游走，使估计器能够跟踪时变动力学。
一致性驱动的协方差膨胀：为了处理突发的机制转变（例如有效载荷释放），系统监控归一化创新分数（预测残差与观测残差之间的马氏距离）。
- 该分数 ( $g_k$ ) 的指数加权移动平均 (EWMA) 用于检测持续的失配。
- 一旦检测到失配，自适应协方差膨胀机制将先验协方差缩放为因子 $1/\lambda_k$ （其中 $\lambda_k < 1$ ）。这实际上充当了自适应遗忘因子，增加卡尔曼增益以加速自适应，而无需重置估计器。

3. 模型预测控制 (MPC) 集成

学习到的残差模型被嵌入到非线性 MPC 框架中。在预测时域内，编码器保持冻结，残差被视为基于解码器当前后验均值的恒定加性修正。该公式确保了实时控制的计算可行性，同时兼顾了未建模动力学。

主要贡献

非线性残差表示学习：一种历史依赖的潜在编码器，显式建模交叉变量耦合和时间依赖性，解决了瞬时模型或纯时间模型的局限性。
在线机制自适应残差估计：一种线性潜在解码器结构，实现了轻量级、闭式的贝叶斯自适应。包含一致性驱动的协方差膨胀，使其能够针对空中操作的非平稳特性，对瞬态和缓慢变化的动力学变化进行快速、稳定的自适应。

实验结果

该框架在真实世界的空中操作平台（搭载 2R 串联连杆机械臂的 Tarot-650 四旋翼）上进行了验证，涉及有效载荷释放和轨迹切换两种具有挑战性的场景：

开环预测：提出的“全结构化”编码器在均方根误差 (RMSE) 上优于基线模型（DNN、TCN 和仅时间编码器），取得了最低的 RMSE（0.18 对比 0.21–0.34），证明了同时建模交叉变量和时间相互作用的必要性。
解码器消融：与固定解码器、标准贝叶斯更新和固定遗忘因子方法相比，完整的自适应解码器（带一致性驱动膨胀）实现了最低的 RMSE，并在突发动力学转变（有效载荷掉落）后恢复最快。
轨迹跟踪：在闭环 MPC 实验中，该方法优于标称模型、离线 DNN、基于扩散的模型以及其他在线自适应基线（例如 Active MLP、Proto-MPC）。它在分布内和分布外有效载荷条件下均表现出更优越的抗扰能力和跟踪精度。

意义与主张

论文主张，对空中操作器的准确建模需要耦合时间动力学与部署时非平稳性的联合建模。所提出的框架通过将复杂的表示学习（由非线性编码器离线处理）与自适应机制（由线性解码器在线处理）解耦来解决这一问题。

作者强调，他们的方法实现了：

快速自适应：应对突发变化（如有效载荷释放），而无需通常与激进基于梯度的学习相关的失稳风险。
稳定估计：在标称条件下，由于未检测到失配时贝叶斯更新的保守性质，保证了估计的稳定性。
MPC 实时兼容性：在线更新计算高效（ $O(d\ell^2)$ ），且编码器推理每步仅执行一次。

结果表明，将结构化历史编码与自适应协方差膨胀相结合，为在多变且不可预测的运行机制下实现可靠的空中操作提供了稳健的解决方案。